Microsoft เปิดตัวโมเดล AI ที่จดจำเนื้อหารูปภาพและแก้ไขปัญหาด้านภาพ

AI Kosmos-1 รุ่นใหม่เป็นแบบมัลติโมดัล Large Language Model (MLLM) สามารถตอบสนองได้ไม่เพียงแต่ต่อสัญญาณทางภาษาเท่านั้น แต่ยังรวมถึงสัญญาณภาพด้วย ดังนั้นจึงตอบสนองต่อช่วงคำถามและคำตอบได้ดีขึ้น

ปัญญาประดิษฐ์หลายรูปแบบ (MLLM) อาจเป็นกุญแจสำคัญในการพัฒนาปัญญาประดิษฐ์ทั่วไป ซึ่งเป็นเทคโนโลยีที่สามารถแทนที่มนุษย์ในอนาคตในงานทางปัญญาหรืองานใดๆ ก็ได้

Kosmos-1 คืออะไร

Kosmos-1 เป็นโมเดลหลายรูปแบบที่พัฒนาโดยนักวิจัยของ Microsoft เมื่อวันจันทร์ที่ผ่านมา ได้มีการเปิดตัวโมเดลที่สามารถ:

• อ่านเนื้อหาของภาพ
• ไขปริศนาภาพ
• จดจำข้อความในรูปภาพ
• ทำคะแนนได้ดีในการทดสอบ IQ การมองเห็น
• เข้าใจคำแนะนำที่ให้ไว้ในภาษาธรรมชาติ

การพัฒนาของปัญญาประดิษฐ์ หลายรูปแบบถูกมองว่าเป็นขั้นตอนสำคัญต่อการสร้างปัญญาประดิษฐ์ทั่วไป (AGI) ที่สามารถปฏิบัติงานทั่วไปในระดับมนุษย์ได้

ภาษาไม่ใช่ทั้งหมดที่คุณต้องการ: การจัดแนวการรับรู้ด้วยโมเดลภาษา

“ในฐานะที่เป็นส่วนพื้นฐานของความฉลาด การรับรู้หลายรูปแบบเป็นสิ่งจำเป็นในการบรรลุปัญญาประดิษฐ์ทั่วไป ในแง่ของการได้มาซึ่งความรู้และการฝังตัวในโลกแห่งความเป็นจริง” นักวิจัยเขียนในเอกสารวิชาการของพวกเขา ภาษาไม่ใช่ทั้งหมดที่คุณต้องการ: การจัดแนวการรับรู้ด้วยรูปแบบภาษา.

แบบจำลอง Kosmos-1 สามารถวิเคราะห์ภาพและตอบคำถามเกี่ยวกับภาพ อ่านข้อความจากภาพ เขียนคำบรรยายสำหรับภาพ และทำคะแนนระหว่าง 22 ถึง 26 เปอร์เซ็นต์ในการทดสอบ IQ ภาพ เช่นที่แสดงในตัวอย่างภาพใน Kosmos-1 ศึกษา.

AGI สำหรับ OpenAI

OpenAI ซึ่งเป็นพันธมิตรทางธุรกิจที่สำคัญของ Microsoft ในด้านปัญญาประดิษฐ์ ได้กำหนดให้ AGI เป็นเป้าหมายหลัก Kosmos-1 ดูเหมือนจะเป็นความคิดริเริ่มพิเศษของ Microsoft โดยไม่ได้รับความช่วยเหลือจาก OpenAI

BlogInnovazione.it